Описание окрестности точки наибольшего правдоподобия моделей (пример)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: == Постановка задачи == Пусть задана выборка <tex>{(x^i, y^i)}^m_{i=1}</tex>, где <tex>m</tex> - число объектов выборки, <tex>x^...)
Строка 1: Строка 1:
== Постановка задачи ==
== Постановка задачи ==
-
Пусть задана выборка <tex>{(x^i, y^i)}^m_{i=1}</tex>, где <tex>m</tex> - число объектов выборки, <tex>x^i = (x^i_j)^n_{j=1}\in\mathbb{R}^n</tex> - n значений свободных переменных. <tex>y</tex>
+
Пусть,
 +
 
 +
<tex>X = \{\mathbf{x}_i\}^m_{i=1}</tex> - m свободных переменных,
 +
 
 +
<tex>\{x_i\}^m_{i=1} \in\mathbb{R}^n</tex>, где n - размерность пространства,
 +
 
 +
<tex>\mathbf{y}\in\mathbb{R}^n</tex> - зависимая переменная.
 +
 
 +
 
 +
<tex>{(x^i, y^i)}^m_{i=1}</tex>, где <tex>m</tex> - число объектов выборки, <tex>x^i = (x^i_j)^n_{j=1}\in\mathbb{R}^n</tex> - n значений свободных переменных. <tex>y</tex>
Рассмотрим следующую модель регрессии, описывающую связь между свободной и зависимой переменными
Рассмотрим следующую модель регрессии, описывающую связь между свободной и зависимой переменными

Версия 23:09, 14 декабря 2010

Содержание

Постановка задачи

Пусть,

X = \{\mathbf{x}_i\}^m_{i=1} - m свободных переменных,

\{x_i\}^m_{i=1} \in\mathbb{R}^n, где n - размерность пространства,

\mathbf{y}\in\mathbb{R}^n - зависимая переменная.


{(x^i, y^i)}^m_{i=1}, где m - число объектов выборки, x^i = (x^i_j)^n_{j=1}\in\mathbb{R}^n - n значений свободных переменных. y Рассмотрим следующую модель регрессии, описывающую связь между свободной и зависимой переменными

y= \mathbf{w}^T\mathbf{x} + \nu,


Алгоритм

Вычислительный эксперимент

Исходный код

Литература

  1. Стрижов В.В Методы выбора регрессионных моделей. — ВЦ РАН, 2010.
Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9E%D0%BF%D0%B8%D1%81%D0%B0%D0%BD%D0%B8%D0%B5_%D0%BE%D0%BA%D1%80%D0%B5%D1%81%D1%82%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%82%D0%BE%D1%87%D0%BA%D0%B8_%D0%BD%D0%B0%D0%B8%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B5%D0%B3%D0%BE_%D0%BF%D1%80%D0%B0%D0%B2%D0%B4%D0%BE%D0%BF%D0%BE%D0%B4%D0%BE%D0%B1%D0%B8%D1%8F_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B5%D0%B9_%28%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%29»